Episodio
Regresión lineal de curvas con **clr**
con Amandine Pierrot
useR!2017: Regresión lineal curva con **clr**
Palabras clave: reducción de dimensión, dimensión de correlación, descomposición de valor singular, previsión de carga
Presentamos un nuevo paquete de R para la regresión lineal de curva: el paquete clr .
Este paquete implementa una nueva metodología para la regresión lineal con regresores de curva y respuesta de curva, que se describe en Cho et al. (2013) y Cho et al. (2015).
La idea clave detrás de esta metodología es la reducción de dimensiones basada en una descomposición de valor singular en un espacio Hilbert, lo que reduce el problema de regresión de curva a varios problemas de regresión lineal escalar.
Aplicamos regresión lineal de curvas con clr para modelar y predecir cargas diarias de electricidad.
Hace referencia a Bathia, N., Q. Yao y F. Ziegelmann. 2010. "Identificar la dimensionalidad finita de la serie temporal de curva". Annals of Statistics 38: 3352–86.
Cho, H., Y. Goude, X. Brossat y Q. Yao. 2013. "Modelado y previsión de curvas diarias de carga de electricidad: un enfoque híbrido". Diario de la Asociación Estadística Americana 108: 7–21.
———. 2015. "Modelado y previsión de la carga diaria de electricidad a través de la regresión lineal de curva". En Modeling and Stochastic Learning for Forecasting in High Dimension, editado por Anestis Antoniadis y Javier Brossat, 35–54. Springer.
Fan, J., y Q. Yao. 2003. Series temporales no lineales: métodos no paramétricos y paramétricos. Springer.
Hall, P., y J. L. Horowitz. 2007. "Metodología y tasas de convergencia para la regresión lineal funcional". Anales de estadísticas 35: 70–91.
useR!2017: Regresión lineal curva con **clr**
Palabras clave: reducción de dimensión, dimensión de correlación, descomposición de valor singular, previsión de carga
Presentamos un nuevo paquete de R para la regresión lineal de curva: el paquete clr .
Este paquete implementa una nueva metodología para la regresión lineal con regresores de curva y respuesta de curva, que se describe en Cho et al. (2013) y Cho et al. (2015).
La idea clave detrás de esta metodología es la reducción de dimensiones basada en una descomposición de valor singular en un espacio Hilbert, lo que reduce el problema de regresión de curva a varios problemas de regresión lineal escalar.
Aplicamos regresión lineal de curvas con clr para modelar y predecir cargas diarias de electricidad.
Hace referencia a Bathia, N., Q. Yao y F. Ziegelmann. 2010. "Identificar la dimensionalidad finita de la serie temporal de curva". Annals of Statistics 38: 3352–86.
Cho, H., Y. Goude, X. Brossat y Q. Yao. 2013. "Modelado y previsión de curvas diarias de carga de electricidad: un enfoque híbrido". Diario de la Asociación Estadística Americana 108: 7–21.
———. 2015. "Modelado y previsión de la carga diaria de electricidad a través de la regresión lineal de curva". En Modeling and Stochastic Learning for Forecasting in High Dimension, editado por Anestis Antoniadis y Javier Brossat, 35–54. Springer.
Fan, J., y Q. Yao. 2003. Series temporales no lineales: métodos no paramétricos y paramétricos. Springer.
Hall, P., y J. L. Horowitz. 2007. "Metodología y tasas de convergencia para la regresión lineal funcional". Anales de estadísticas 35: 70–91.
¿Quiere hacer algún comentario? Comunique un problema aquí.